正在打开第三讲…
课堂播放器需要 JavaScript；以下链接直接提供每页解释、图解、出处与实验。
P1 训练结束后，网络留下了什么？
P2 类别答案，不等于中间表示
P3 图片已经很多，答案从哪里来？
P4 同一个瓶颈，两种研究与产业选择
P5 文字演示了一种答案来源
P6 没有类别标签，不等于没有学习目标
P7 目标可以扩展，训练还要做得出来
P8 同一张图，可以给出两个相关视图
P9 “正例”说的是关系，不是类别
P10 一次对比，就是一次有答案的选择
P11 为什么不能把所有图片都映射成同一个向量？
P12 训练时比较 z，使用时读取 h
P13 该忽略颜色，还是该保留颜色？
P14 比较更多候选，代价在哪里？
P15 MoCo：字典里保存的是特征
P16 两个编码器，不同的更新方式
P17 把一次学习完整走通
P18 方法不是一条封闭的家谱
P19 另一条路线：根据可见内容预测缺失
P20 十六个图块，只有四个进入编码器
P21 解码器补位置，目标来自原图
P22 能补图，不等于每项任务都读得好
P23 冻结读出和微调，在问不同的问题
P24 学到表示之后，新任务提出了什么要求？
P25 同一张图，四种不同的答案
P26 位置还在特征图里吗？
P27 R-CNN：让已经会看图的网络看一个区域
P28 候选区域不是已经识别出的物体
P29 许多重叠区域，为什么要重复卷积？
P30 不同大小的区域，怎样读成固定结构？
P31 Fast R-CNN：把区域放回共享计算中
P32 Faster R-CNN：让候选区域也成为预测
P33 位置怎样成为可学习的目标？
P34 三个框，并不代表三只杯子
P35 检测错在哪里，要分开看
P36 FCN：另一条路线，直接为像素作预测
P37 输出变细，不意味着信息自动变多
P38 让细位置与深层语义重新配合
P39 两个同类对象，需要两份身份
P40 Mask R-CNN：区域内部，也保留二维结构
P41 三个像素的偏移，为什么会伤到轮廓？
P42 连续位置的数值，怎样从四个邻点得到？
P43 同一只杯子，换一个区域就换一份局部目标
P44 两种布局，如果已经变成同一个数
P45 多一个通道，和多几个像素不是同一回事
P46 SAM：把“分哪一块”交给提示
P47 可复用表示，还要经过任务训练
P48 从物体位置，走向可以说出来的任务
P49 同一幅画面，语言提出不同的问题
P50 2014—2016：几条准备已久的路线相遇
P51 图像描述：视觉内容怎样成为一句话？
P52 认识一个物体，为什么未必会把它说出来？
P53 一句话里的词，指向图中的哪一部分？
P54 VQA：问题决定此刻需要哪一项信息
P55 区域表示与语言预训练，有了可连接的部件
P56 CLIP 选择的任务：先学哪幅图与哪段话相配
P57 一张相似度矩阵，连接训练和使用
P58 用文字组织类别，而不是重做一张固定标签表
P59 匹配还可以变成图文检索
P60 图文数据不是一堆没有来历的图片
P61 前两张图都选对，究竟说明了什么？
P62 把位置与关系拆开，解释才会分叉
P63 GLIP：不只说相关，还要指出区域
P64 把视觉表示接入一个已经会说话的模型
P65 连接层与任务使用方式，都需要训练
P66 回看这段历史：留下来的不是一个网络名字
P67 同一句描述，为什么可以有很多张正确图像？
P68 下一讲：怎样学习可能性，并产生一个样本？